從“死記硬背”到“動(dòng)態(tài)記憶”：Agentic Memory如何加強(qiáng)AI的知識(shí)管理 原創(chuàng)
在人工智能的世界里，尤其是當(dāng)下大語言模型（LLM）風(fēng)靡的時(shí)代，人們?cè)絹碓娇释屵@些模型具備更接近人類的動(dòng)態(tài)推理能力和長期記憶。傳統(tǒng)的方法，往往只是簡單地存儲(chǔ)數(shù)據(jù)，就像把書堆在倉庫里，需要的時(shí)候再去翻找。但這種方法，對(duì)于復(fù)雜的、多步驟的任務(wù)來說，顯然不夠用了。于是，一種名為 Agentic Memory（A-MEM） 的創(chuàng)新方法應(yīng)運(yùn)而生，它不僅能讓 AI 動(dòng)態(tài)地組織和鏈接信息，還能讓知識(shí)隨著新信息的加入而不斷進(jìn)化。
為什么我們需要 Agentic Memory？
想象一下，你正在和一個(gè)智能助手聊天，它能回答各種問題，但每次對(duì)話結(jié)束后，它就忘記了之前的內(nèi)容。這聽起來是不是很讓人抓狂？事實(shí)上，這就是傳統(tǒng)語言模型面臨的問題。像 GPT-4、Llama、Qwen 這樣的模型，雖然能處理大量數(shù)據(jù)，但在需要跨多輪對(duì)話或跨多個(gè)會(huì)話的任務(wù)中，它們很難記住之前的互動(dòng)或回憶起相關(guān)的上下文。
傳統(tǒng)的方法就像是在一個(gè)有限的窗口里看世界，一旦超出這個(gè)范圍，就只能依賴于預(yù)訓(xùn)練的知識(shí)庫或簡單的外部記憶機(jī)制。這些記憶機(jī)制往往只是簡單地記錄文本日志，隨著時(shí)間的推移，這些日志會(huì)變得越來越龐大，也越來越難以管理。而 Agentic Memory 的出現(xiàn)，正是為了解決這些問題。
Agentic Memory 與傳統(tǒng)記憶機(jī)制的區(qū)別
傳統(tǒng)的記憶機(jī)制就像是一個(gè)固定的文件柜，數(shù)據(jù)被簡單地存放在里面，需要的時(shí)候再拿出來。這種方法雖然簡單，但在處理復(fù)雜任務(wù)時(shí)顯得非常僵硬。它依賴于預(yù)設(shè)的索引，無法隨著新數(shù)據(jù)的到來而重新組織或豐富存儲(chǔ)的內(nèi)容。而 Agentic Memory 則完全不同，它更像是一個(gè)動(dòng)態(tài)的、不斷進(jìn)化的知識(shí)網(wǎng)絡(luò)。
Agentic Memory 的創(chuàng)新之處
Agentic Memory 的靈感來源于一種古老的筆記系統(tǒng)——Zettelkasten。在這個(gè)系統(tǒng)中，每一條信息都被視為一個(gè)獨(dú)立的“筆記”，這些筆記通過語義或上下文關(guān)系相互鏈接。Agentic Memory 也是如此，它將每一條新信息都視為一個(gè)“原子”級(jí)別的知識(shí)點(diǎn)，不僅記錄了交互的內(nèi)容，還生成了上下文描述、關(guān)鍵詞和嵌入向量，并通過鏈接生成算法將新筆記與現(xiàn)有的筆記建立聯(lián)系。
更重要的是，Agentic Memory 具有記憶進(jìn)化機(jī)制。當(dāng)新的筆記被整合到系統(tǒng)中時(shí)，舊的筆記也會(huì)根據(jù)新信息進(jìn)行更新。這意味著整個(gè)知識(shí)庫會(huì)隨著每一條新信息的加入而不斷進(jìn)化，變得更加連貫和有用。
Agentic Memory 的核心組件
1. 筆記構(gòu)建（Note Construction）
每當(dāng)一個(gè)基于 LLM 的智能代理接收到新的信息時(shí)，無論是用戶輸入、數(shù)據(jù)片段還是環(huán)境觀察，它都會(huì)使用一個(gè)模板來生成筆記的關(guān)鍵屬性。這些屬性包括原始內(nèi)容、時(shí)間戳、關(guān)鍵詞、標(biāo)簽、上下文描述、嵌入向量和鏈接。這些屬性共同構(gòu)成了一個(gè)動(dòng)態(tài)的、可檢索的知識(shí)單元。
2. 鏈接生成（Link Generation）
當(dāng)一條新的筆記被創(chuàng)建后，系統(tǒng)會(huì)通過嵌入向量的相似性檢索來找到與之最相關(guān)的舊筆記，并將它們作為候選集。然后，LLM 會(huì)分析這些候選筆記，決定哪些筆記與新筆記有實(shí)質(zhì)性的重疊。這些重疊可能是相同的概念、相同的事件，或者是類似的用戶查詢。最終，新筆記會(huì)與這些舊筆記建立鏈接，形成一個(gè)動(dòng)態(tài)的知識(shí)網(wǎng)絡(luò)。
3. 記憶進(jìn)化（Memory Evolution）
Agentic Memory 的獨(dú)特之處在于，它不僅允許新筆記與舊筆記建立鏈接，還允許舊筆記根據(jù)新信息進(jìn)行更新。這個(gè)過程被稱為記憶進(jìn)化。每當(dāng)一條新筆記即將被完全整合到系統(tǒng)中時(shí)，系統(tǒng)會(huì)檢查候選集中的每一條舊筆記，看看是否需要更新關(guān)鍵詞、標(biāo)簽或上下文描述。這些更新可能會(huì)引入新的引用或更深入的解釋，從而使整個(gè)知識(shí)網(wǎng)絡(luò)隨著時(shí)間的推移不斷進(jìn)化。
4. 相關(guān)記憶檢索（Retrieval of Relevant Memory）
當(dāng)智能代理面臨一個(gè)查詢或任務(wù)時(shí)，Agentic Memory 會(huì)通過嵌入向量的余弦相似性計(jì)算來檢索與之最相關(guān)的筆記。這些筆記會(huì)被附加到代理的提示中，從而確保每次推理或響應(yīng)都能從知識(shí)系統(tǒng)中豐富的連接中受益。
Agentic Memory 的關(guān)鍵特性
動(dòng)態(tài)組織（Dynamic Organization）
Agentic Memory 摒棄了一刀切的數(shù)據(jù)結(jié)構(gòu)，每一條記憶都被存儲(chǔ)為一個(gè)“筆記”，可以與任意數(shù)量的其他筆記建立鏈接。這種動(dòng)態(tài)的組織方式避免了將數(shù)據(jù)強(qiáng)行分類到僵化的層級(jí)結(jié)構(gòu)中。
Zettelkasten 原則（Zettelkasten Foundations）
Agentic Memory 深深扎根于 Zettelkasten 的筆記原則，確保知識(shí)保持顆?；⑾嗷リP(guān)聯(lián)且不斷進(jìn)化。
持續(xù)更新（Continuous Updating）
通過記憶進(jìn)化機(jī)制，當(dāng)新筆記被引入時(shí)，整個(gè)知識(shí)網(wǎng)絡(luò)會(huì)自我更新。這確保了舊的事實(shí)保持新鮮，能夠與未來的學(xué)習(xí)內(nèi)容建立聯(lián)系。
可擴(kuò)展性（Scalability）
盡管檢查每一條新記憶與現(xiàn)有語料庫的相似性看似計(jì)算量巨大，但基于嵌入的相似性檢索非常高效。隨著系統(tǒng)的增長，可以通過索引嵌入或?qū)⒂洃泟澐譃橹黝}集群來擴(kuò)展。
代理驅(qū)動(dòng)的工作流（Agent-Driven Workflows）
傳統(tǒng)的記憶系統(tǒng)在工作流中固定了檢索或更新的點(diǎn)，而 Agentic Memory 允許 LLM 動(dòng)態(tài)地決定何時(shí)以及如何存儲(chǔ)、檢索和更新記憶，使系統(tǒng)更加適應(yīng)性強(qiáng)。
實(shí)現(xiàn) Agentic Memory：一步步指南
以下是一個(gè)簡化的實(shí)現(xiàn)指南，幫助你快速上手 Agentic Memory：
- 克隆代碼庫：
git clone https://github.com/WujiangXu/AgenticMemory.git
cd AgenticMemory- 設(shè)置 Python 虛擬環(huán)境：
python -m venv .venv
source .venv/bin/activate # Linux/Mac
.venv\Scripts\activate # Windows
pip install -r requirements.txt- 運(yùn)行實(shí)驗(yàn)：
python test_advanced.py安裝完成后，Agentic Memory 框架可以通過調(diào)用相關(guān)的 Python 類來初始化。每次新的交互都會(huì)自動(dòng)經(jīng)過筆記構(gòu)建步驟，生成所需的文本或向量屬性。然后，系統(tǒng)會(huì)調(diào)用鏈接生成和記憶進(jìn)化例程，最后將新的記憶存儲(chǔ)到系統(tǒng)中。
未來展望：Agentic Memory 的更廣泛應(yīng)用
“21 世紀(jì)的文盲不是那些不會(huì)讀寫的人，而是那些不能學(xué)習(xí)、不能忘卻、不能重新學(xué)習(xí)的人。”——阿爾文·托夫勒
展望未來，Agentic Memory 的研究可能會(huì)擴(kuò)展到以下幾個(gè)方向：
多模態(tài)數(shù)據(jù)（Multimodal Data）
除了文本日志，Agentic Memory 還可以擴(kuò)展到存儲(chǔ)圖像、音頻片段或結(jié)構(gòu)化數(shù)據(jù)，并采用相同的動(dòng)態(tài)鏈接方法，為 LLM 代理提供更豐富的上下文。
語義圖神經(jīng)網(wǎng)絡(luò)（Semantic Graph Neural Networks）
除了依賴 LLM 提示進(jìn)行鏈接生成，圖神經(jīng)網(wǎng)絡(luò)可以進(jìn)一步優(yōu)化記憶網(wǎng)絡(luò)的結(jié)構(gòu)，發(fā)現(xiàn)更深層次的關(guān)系。
元推理（Meta-Reasoning）
代理可能會(huì)對(duì)整個(gè)記憶結(jié)構(gòu)進(jìn)行反思，修剪冗余的鏈接或突出關(guān)鍵的鏈接。這種推理層可以幫助系統(tǒng)自我優(yōu)化。
聯(lián)邦或分布式記憶（Federated or Distributed Memory）
大型組織可以將多個(gè) AI 系統(tǒng)的記憶源統(tǒng)一起來。動(dòng)態(tài)鏈接方法可以確保一個(gè)子系統(tǒng)的知識(shí)可以為另一個(gè)子系統(tǒng)提供見解，同時(shí)遵守隱私或保密限制。
結(jié)語：Agentic Memory 引領(lǐng) AI 記憶新紀(jì)元
Agentic Memory 標(biāo)志著 AI 系統(tǒng)存儲(chǔ)、檢索和更新知識(shí)方式的范式轉(zhuǎn)變。它將 Zettelkasten 的經(jīng)典概念與 LLM 提示和語義嵌入的最新突破相結(jié)合，回答了在需要適應(yīng)性的環(huán)境中如何管理知識(shí)這一緊迫問題。如今，我們不再滿足于僅僅積累數(shù)據(jù)的靜態(tài)記憶日志，而是擁有了一個(gè)能夠隨著新體驗(yàn)的處理而不斷進(jìn)化、不斷深化的動(dòng)態(tài)記憶工具。
無論你是構(gòu)建客戶支持代理、研究助手，還是需要處理事實(shí)、引用和用戶互動(dòng)的多模態(tài) AI 系統(tǒng)，Agentic Memory 都能幫助你的模型更像人類一樣“思考”。它積極地將舊數(shù)據(jù)和新數(shù)據(jù)編織在一起，生成一個(gè)結(jié)構(gòu)化的知識(shí)庫，隨時(shí)準(zhǔn)備為更好的決策提供信息。隨著 AI 的不斷發(fā)展，像 Agentic Memory 這樣的動(dòng)態(tài)記憶系統(tǒng)很可能會(huì)成為實(shí)現(xiàn)強(qiáng)大且具有情境意識(shí)的智能的基礎(chǔ)。
本文轉(zhuǎn)載自公眾號(hào)Halo咯咯 作者：基咯咯
原文鏈接：??https://mp.weixin.qq.com/s/UbyeQhjuCAMq-xoUq2Pplg??
